1. hard-negative mining
      negative相對於positive，是相對於正樣本來說，不含有目標的負樣本。但是，negative包括很多，有完全不包含目標的的，也有部分含有的，也就是容易/不容易被分為負樣本的。其中比較容易被判定是負樣本（比如全是背景）的對於訓練並不能起到很好的監督作用。我們需要找一些難劃分的負樣本，也就是hard negative，來增強網路的判別效能。

       在訓練好分類器之後進行分類，但是發現，分類器效果不是很好，經常會得到一些錯誤的正樣本，這個時候這些判別錯誤的樣本可以作為負樣本繼續訓練網路。

2. 具體的流程
（1）在檢測問題中，預定義的分類器得到的錯誤結果，也就是FP，記錄其對應特徵和分類器得到的概率。
（2）重新訓練
按概率值進行排序，再使用排序後的對應特徵重新訓練分類器
（3）迭代以上過程

reference
https://blog.csdn.net/wangsidadehao/article/details/55052898
https://blog.csdn.net/lanchunhui/article/details/71194703
--------------------- 
作者：豬肉粒 
來源：CSDN 
原文：https://blog.csdn.net/zhubaoguai/article/details/80011719?utm_source=copy 
版權宣告：本文為博主原創文章，轉載請附上博文連結！